不会爬,没数据?没关系!3分钟搞定1w+数据,超实用!
老黄是个财务,但他不甘于只做财务,最近一直在积极学习 Python,从连 jupyter notebook 是啥都不知道,短短几个月,就已经 Pandas 上手各种玩了。
用呆鸟的话说,“ 尊重是自己挣回来的,不是别人给的。 ” 老黄这种求知若渴、积极主动的精神赢得了呆鸟的尊重。 但老黄也会遇到一些问题,且看下面的对话:
老黄: “呆鸟哥,最近感觉遇到瓶颈了,毕竟不是干数据分析的,没数据啊! ”
呆鸟: “你可以用爬虫啊,想要啥数据就去爬。 ”
老黄: “爬虫还没学呢,再说了,毕竟不是科班儿出身,Pandas 还没学好呢,再去学爬虫,又是一大厚本书,一时半会儿也学不会啊。 我还是想先把 Pandas 学扎实了。 ”
呆鸟: “呃……,说的也有道理,爬虫我也学得一知半解,而且爬虫有风险,用起来要谨慎。 这样吧,说说你想用啥数据,看看能不能做些模拟数据。 ”
老黄的需求:
-
模拟一个超市连锁公司的销售订单表
-
不同城市里有不同门店,门店里有不同销售人员
-
超市销售不同产品,每个产品对应不同的单价
-
生成不同订单,对应不同客人、售货员、分公司、产品、单价、数量、金额等
-
一年内每天都有不同的订单
呆鸟的思路:
-
写个字典,列出不同分公司与销售员
-
写个字典,列出不同产品与单价
当然,写个 df 也可以,为了直观,这里用的字典;
-
写个随机生成日期的函数
-
先生成一个空 df,再用循环生成交易日期、客户ID、售货员、分公司、产品、单价、数量、订单金额。
-
用 DataFrame 的 append() 把每条数据加进去
这样一来,模拟数据就成型了。用这种方式可以生成各种关系的模拟数据,还可以用 SQLAlchemy,把多个表放到模拟数据库里。呆鸟就曾弄过,还可以添加外键,可惜后来文件被误删除了,有兴趣的朋友,自己尝试下。
说清楚了需求,下面,我们来一步步实现:
一. 导入支持库
import pandas as pd import numpy as np from datetime import datetime
二. 编写分公司与销售员的字典
sales_people = {"陈天浩": "上海", "孙健": "上海", "王梓戎": "广东", "刘丹": "上海", "刘颖": "上海", "刘雪": "天津", "章洋": "上海", "殷琳": "广东", "李辉": "北京", "王玉": "吉林", "侯宁": "上海", "吴中岳": "广东", "张林": "广东", "庄雷": "上海", "王宇": "吉林", "利坤": "上海", "董丹丹": "广东", "蔡建平": "山东", "陈杨": "吉林", "蔡勇": "广东", "李琳": "上海", "魏苍生": "天津", "刘帆": "天津", "戴雪": "上海", "许亮": "吉林", "李智童": "山东", "钱国": "山东", "郭华锋": "吉林", "阎云": "山东", "江敏": "上海"}
三. 编写产品与单价对应关系的字典
products = {"苹果": 10, "梨": 8, "桃": 6.5, "葡萄": 15, "椰子": 20, "西瓜": 30, "百香果": 12, "榴莲": 50, "桔子": 6, "香蕉": 7.5}
四. 编写随机日期生成器
def random_dater(start_date, end_date): p_start_date = datetime.strptime(start_date, '%Y-%m-%d') p_end_date = datetime.strptime(end_date, '%Y-%m-%d') days_delta = p_end_date - p_start_date days_to_add = np.arange(0, days_delta.days) random_date = np.datetime64( start_date) + np.random.choice(days_to_add) # numpy 也可以转换日期 return random_date
知识点:
-
这个函数的目的是,输入起止日期,就可以返回一个在起止日期范围内的随机日期
-
计算两个日期之间的天数,
days_delta = p_end_date - p_start_date
-
用 np.arange() 生成一个从 0 天到间隔天数之间的数组,
days_to_add = np.arange(0, days_delta.days)
-
随机选择一个数字,与开始日期相加,从而生成一个随机日期,
random_date = np.datetime64(start_date) + np.random.choice(days_to_add)
,注意这里的np.random.choice()
函数,就是用来随机选择数字的。
五. 创建带列名的空 DataFrame
如果你还不会创建空 DataFrame,关注一下这个知识点:
sales0 = pd.DataFrame( columns=["交易日期", "客户ID", "售货员", "分公司", "产品", "单价", "数量", "订单金额"])
六、写个循环插入数据
for i in range(0, 10000): date = random_dater('2019-01-01', '2019-12-31') customer_id = "C" + str(np.random.randint(1, 1000)).zfill(4) sales_person = np.random.choice(list(sales_people)) region = sales_people[sales_person] product = np.random.choice(list(products)) price = products[product] quantity = np.random.randint(1, 10000) revenue = price * quantity sales0 = sales0.append(pd.Series([date, customer_id, sales_person, region, product, price, quantity, revenue], index=sales0.columns), ignore_index=True)
知识点:
-
生成 C0001这样的数据,用
zfill()
函数,参数4,代表4位数字 ~ 0001 -
生成某个范围内的随机整数用
np.random.randint()
,(1,1000) 代表生成的整数范围为 1 ~ 1000 -
从销售人员字典里随机选择一名销售员,
np.random.choice(list(sales_people))
-
sales_people[sales_person]
,按销售员姓名,提取分公司名称 -
sales0.append()
函数负责按生成的数据 按行 添加到 DataFrame 里。 要往 DataFrame 里添加行,就会用到这个函数。
这段代码生成一万条模拟数据,在呆鸟 13 年出品 的老电脑上,也只需要 1 分 18 秒。
七、重新排序
生成的随机数据是乱序的,要按交易日期、分公司、售货员排序。
sales0.sort_values(['交易日期', '分公司', '售货员'], inplace=True) sales0.reset_index(drop=True,inplace=True)
知识点:
-
按多列排序,直接写个列名的列表就可以了,如,
['交易日期', '分公司', '售货员']
; -
要想排序直接生效,要用
inplace=True
参数 -
排序以后,索引是乱的,要重置索引,用
reset_index()
函数 -
抛弃之前的乱序索引,参数为
drop=True
-
要想重置索引直接生效,参数为
inplace=True
-
出一个小题目,自己思考下,如果想多列,按不同升降序排列,怎么处理?
八、输出 Excel 文件
sales0.to_excel('data/销售明细表0.xlsx', index=False)
知识点:
-
输出时不含 DataFrame 的索引,用
index=False
参数 -
建议使用相对路径(
'data/销售明细表0.xlsx'
),不要使用绝对路径('d:\python\data\销售明细表0.xlsx'
),相对路径的好处是文件移动到别的目录里或分享给别人的时候,不用手动修改目录,这就叫与人方便,与己方便! -
要把数据文件与程序文件分开保存,这里,呆鸟把 Excel 文件保存在 data 子目录里,注意这里的写法:
'data/销售明细表0.xlsx'
。
至此,模拟的一万条数据就生成了,整个代码运行不超过 3 分钟。
呆鸟兴冲冲地找老黄报喜: “老黄,你要的模拟数据搞定啦,以后这段程序,你改改就能生成各种各样的数据表了! ”
老黄: “感谢,感谢,以后再也不愁没数据用了! ”
未完待续
一个小时后。 。。。
老黄郁闷地找到呆鸟: “呆鸟哥,我想用你的代码多生成点数据,结果一直运行不出来啊! ”
呆鸟: “你想要多少数据? ”
老黄: “100 万条。 。 。 ”
呆鸟: “呃(⊙o⊙)…,你真有勇气,这样吧,咱们再想想还有什么办法,能把速度加上来! ”
相信也会有读者大大想到一万条数据太少了,怎么对得起 Pandas 的数据处理能力? 但用 append() 函数添加大量数据确实效率很低,这一点其实在 Pandas 官档里也提到了, 那怎么才能提高效率呢? 效率又能提高多少呢?